FacebookTwitter

 

Artículo de Actualización

La inteligencia artificial en el flujo de trabajo durante la pandemia COVID-19. Experiencia del Hospital Británico durante el 2020

Adriana García, Bettiana J Torterolo Lozano, Maira Samudio, Paula Zamorano, Martín Gómez Lastra, Alfonso Jauregui, Adrián Candido

Revista Fronteras en Medicina 2021;(02): 0126-0132 | Doi: 10.31954/RFEM/2021002/0126-0132


Este artículo no contiene resumen

Este artículo no contiene abstract




Los autores declaran no poseer conflictos de intereses.

Fuente de información Hospital Británico de Buenos Aires. Para solicitudes de reimpresión a Revista Fronteras en Medicina hacer click aquí.

Recibido 2021-02-04 | Aceptado 2021-03-26 | Publicado 2021-06-30


Esta revista tiene libre acceso a descargar los artículos sin costo (Open Acces), además se encuentra indizada en Latindex y LILACS (BVS.org) y en proceso de incorporación en el núcleo básico de revistas del CONICET

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional.

Figura 1. Esquema del Flujo de Circuito de Paciente para la realización de estudios de Imágenes.

Figura 2. Esquema del Flujo de Circuito de Paciente área roja de la Guardia para la realización de...

Figura 3. Flujograma de trabajo para su evaluación con imágenes a pacientes internados en las áre...

Figura 4. Integración de los centros periféricos al Hospital Central mediante el sistema RIS-PACS.

Figura 5. Conformación de la work list.

Figura 6. Las listas de radiografías para informar y priorizar provienen de seis áreas diferentes...

Figura 7. Integración de la Inteligencia Artificial al RIS-PACS.

Figura 8. Integración de la IA en el RIS-PACS

Figura 9. Acá se observa la lista de trabajo que el sistema RIS-PACS muestra luego de ser analizada...

Figura 10. Las probabilidades de certeza también son informadas en otra columna, además de la prior...

Figura 11. Esquema de trabajo.

Figura 12.

Figura 13. Algoritmo utilizado.

Figura 14. Radiografía de tórax frente. En (A) se observa que el algoritmo muestra en el borde supe...

Figura 15. Radiografía de tórax de un paciente COVID-19 positivo. En (A) se observa un tenue infilt...

Figura 16. Radiografía de tórax de un paciente COVID-19 positivo. La tomografía de tórax confirma...

Introducción

El 20 de marzo del año 2020 el gobierno Nacional de la República Argentina decretó el aislamiento social preventivo y obligatorio para evitar la circulación y contagio del virus COVID-19, considerando que el 11 de marzo del mismo año la Organización Mundial de la Salud (OMS) declaró el brote del nuevo coronavirus como una pandemia.

¿Cómo organizarnos? ¿Qué hacer?, fueron algunas de las preguntas de aquellos que dirigíamos los servicios de salud. Más aún, esto ocurría al mismo tiempo en el resto del mundo y todos estábamos aprendiendo, la historia se estaba escribiendo, nadie sabía qué se debía o no debía hacer a ciencia cierta, existían muchas publicaciones y con ellas surgían muchos interrogantes.

El Servicio de Diagnóstico por Imágenes del Hospital Británico trazó un plan de contingencia con un flujograma de trabajo que estuvo alineado a las comunicaciones de la Dirección del Hospital y su Comité de Crisis, pero, como líder del equipo de imágenes la Dra. García se imaginó con pincel en mano y palestra; y que todo estaba ser pintado, pero también a la vez se sabía que la pintura podía reducirse o terminarse, es decir nuestro recurso humano, lo más valioso, que se encuentra conformado por médicos, técnicos, enfermeros, administrativos por los que velamos a diario.

Así fue que durante el mes de marzo del año 2020 el Servicio de Diagnóstico por Imágenes del Hospital Británico fue seleccionado por la empresa Fujifilm, a través de la empresa Griensu, para trabajar con inteligencia artificial (IA) en la evaluación de radiografías de tórax, integradas al banco de datos del Sistema de Informaciones en Radiología (Radiology Information System – RIS) que está integrado al Sistema de Comunicación y Archivo de Imágenes (Picture Archiving and Communication System – PACS), principal solución de almacenamiento de imágenes disponible en medicina diagnóstica.

El objetivo perseguido con el uso de este algoritmo de IA fue detectar consolidaciones pulmonares a partir de imágenes generadas en radiografías de tórax tomadas en las áreas donde los pacientes con o sin sospecha de COVID eran atendidos.

El Hospital Británico se organizó al inicio de la pandemia, al igual que otros hospitales, creando dos sectores o áreas: el área verde o área libre de COVID-19 y el área roja con áreas sospechosas o confirmadas.

El Servicio de Diagnóstico por Imágenes también se dividió en áreas rojas y verdes (Figura 1).

La Guardia fue seleccionada como un área íntegramente roja, donde existe sala de radiología con un equipo portátil y una sala de ecografía con un ecógrafo para la atención exclusiva de estos pacientes, es decir, los pacientes ubicados en el área roja, para que no tengan que salir fuera de ella (Figura 2).

Si el paciente no presentaba signos de sospecha o confirmación de ser portador del virus COVID-19, era trasladado al área verde de Diagnóstico por Imágenes, ubicada en el 1er piso del Servicio donde los equipos de radiología estaban destinados para estos pacientes, siguiendo el circuito verde dentro del hospital.

En las áreas verdes se encontraban el área de mamografía y ecografía mamaria, ecografía general, la sala de radioscopia y las salas de radiología. Se destinó uno de los dos resonadores y un tomógrafo, de los dos tomógrafos del primer piso, a la atención de los pacientes provenientes del área roja (Figura 1).

En el caso de los pacientes internados, se procedió de la siguiente manera: a los internados en el área COVID se destinó un equipo de radiología y un ecógrafo portátil exclusivo para estos pacientes.

Con los pacientes internados en las diferentes salas consideradas como verdes y las áreas cerradas verdes se utilizó un ecógrafo y el equipo portátil libre de todo riesgo, diferentes de los que se destinaron y confinaron al área roja. Con esto, al no movilizar los equipos, se evitó la propagación de posibles focos de infección (Figura 3).

Las radiografías de tórax que conforman la lista de trabajo son solicitadas con una orden médica que se genera para aquellos pacientes sospechosos o confirmados del área roja, así como para los pacientes que provienen de las áreas verdes luego de que estos son atendidos.

Estas radiografías de tórax, luego de ser tomadas, son enviadas a nuestro PACS y allí analizadas por el algoritmo de IA buscando hallazgos anormales que generarán alertas.

El hospital tiene tres sucursales con equipamientos de radiología que generan radiografías de tórax, todas ellas consideradas zonas verdes, en las que se realizan radiografías de tórax que son enviadas al PACS para el análisis de la IA (Figura 4). Allí son leídas y analizadas por el algoritmo de IA apareciendo en la lista de trabajo de los médicos de imágenes de la sede Central.

Lista de trabajo o work list

La lista de trabajo o work list en el PACS se encuentra conformada por radiografía de tórax realizadas en áreas rojas y verde de la sede central, así como de los cuatro centros médicos periféricos considerados áreas verdes, y las salas de internación tanto verdes como rojas (Figura 5).

De esta manera un médico radiólogo ubicado en la sede central del Hospital Británico recibe de manera constante un flujo de radiografías de tórax para evaluar de al menos seis sitios diferentes que generan imágenes de manera constante.

Así, las imágenes son analizadas de manera inmediata, identificando a aquellos pacientes que evidencian consolidación de pulmón y necesitan atención con mayor celeridad (Figura 6).

Necesitaríamos al menos seis médicos radiólogos en estos puestos de informes para la generación del análisis y su posterior informe.

El rendimiento de un sistema de IA en la detección de neumonía COVID-19 fue comparable al de seis radiólogos independientes, con un punto de operación de 85% de sensibilidad y 61% de especificidad para la presencia o ausencia de síndrome respiratorio agudo severo por coronavirus, según publicaciones de la revista Radiology1.

Ellos mencionan que la radiografía de tórax juega un rol importante en el triage para el coronavirus, más aún en entornos de bajos recursos.

En sus conclusiones mencionan que el rendimiento de un sistema de IA en la detección de la enfermedad por coronavirus 2019 en radiografías de tórax fue comparable al de seis lectores independientes.

Qué es un PACS y un sistema RIS

Cuando se genera la solicitud o pedido para una radiografía de tórax en la historia clínica electrónica (HCE), esta orden migra al RIS, que es un sistema de información radiológica conformado por un conjunto de computadoras y sistemas destinados a controlar el flujo de trabajo en un servicio de imágenes. Para entender la funcionalidad del RIS vamos a comentar las etapas del flujo de trabajo en un servicio de radiología.

El primer paso es la admisión del paciente, donde se realiza la carga de datos filiatorios, de cobertura social, tipo de estudio que debe realizarse, número de acceso y escaneo del pedido médico. Toda esta información viaja al RIS a través de un mensaje HL7 (Health Level Seven) que es un conjunto de estándares que facilitan el intercambio electrónico de sistemas de información en salud. Esta mensajería es compleja, ya que incurre en datos de agendamiento de turno, cancelaciones, modificaciones y orden médica.

Una vez ingresados los datos en la recepción del servicio de imágenes, el técnico radiólogo puede observar desde su puesto de trabajo el listado de pacientes arribados, es decir, en la sala de espera. Desde esta modalidad, el técnico selecciona el paciente y no necesita cargar los datos en el equipo ya que fueron ingresados por la recepcionista y por el estándar DICOM work list. Esto evita la necesidad de introducir la información varias veces y sus consiguientes errores.

Finalizado el estudio, el técnico debe cambiar el estado en el RIS, indicando que el estudio ya se concretó. La modalidad envía automáticamente al PACS las imágenes del paciente (Figuras 7 y 8). Aquí aparece el médico como usuario del sistema RIS-PACS, para realizar el informe.

Una vez que el médico aprueba el informe, es decir lo finaliza, queda disponible para su impresión dentro del RIS, que a su vez es enviado al PACS para que pueda ser visualizado junto con la imagen. Si es necesario, puede viajar a la HCE.

  1. Los puntos más destacables al implementar el RIS en forma integrada al PACS son: 
  2. La carga de datos en el sistema, junto al escaneo de los pedidos médicos provee un entorno de trabajo sin papeles. Todo está digitalizado y es visible por los diferentes usuarios, evitando así la pérdida de documentos.
  3. Permite una trazabilidad, es decir, un seguimiento del proceso en cada una de sus etapas.
  4. El estándar DICOM Viewer (software) worklist disminuye la posibilidad de errores, ya que la información del paciente es ingresada una sola vez en el sistema.
  5. El médico puede visualizar informes e imágenes previas del paciente para un mejor diagnóstico.

    Los médicos que solicitan los estudios tienen la posibilidad de visualizar el informe y la imagen.

    Como hemos mencionado, la función principal del PACS es almacenar imágenes y facilitar la comunicación entre los sectores del hospital.

    En conclusión, RIS/PACS permite la gestión completa de todas las actividades de archivo, transmisión, integración y diagnóstico realizadas en radiología, incluyendo la gestión de tareas administrativas como citas, gestión de salas, registro de actividad e informes.

    En esta cadena de trabajo en conjunto entre el PACS y el RIS está el ensamblado del trabajo de la IA, el algoritmo trabaja cuando las imágenes son almacenadas en el PACS.

    Como es la visualización

    de la lectura de

    la Inteligencia Artificial REiLI

    En cada lista de trabajo se puede identificar el lugar de procedencia de esta imagen, tanto de la sede en que se realizó como de la sala o áreas generadas donde han sido atendidas.

    Asimismo, estas radiografías están divididas en categorías o prioridades, definiendo si son de un tratamiento o realización de manera urgente o no.

    Además del lugar de procedencia y su estado de prioridad se visualiza la hora de su solicitud y el tiempo que esta se encuentra en espera.

    El técnico llama al paciente, realiza la radiografía, luego observa la imagen que acaba de generar, constata que la calidad técnica sea la óptima para obtener información, la valida y la envía al PACS.

    Luego de realizado el envío de la imagen al PACS aparece en la pantalla de la lista de trabajo una columna de visualización predeterminada con los hallazgos de la IA si hubiere; esto se hace mediante una alerta visual, ya predeterminada con un color, en este caso para consolidaciones pulmonares el color asignado es el color rojo (Figura 9), y en otra columna el porcentaje de probabilidad de estos hallazgos (Figura 10).

    El esquema completo se muestra en la Figura 11. A los pacientes atendidos en las diferentes áreas y salas que necesitarán una radiografía de tórax se les genera la orden clínica, que desde la HCE y por interconectividad son enviadas al sistema RIS y desde allí se generan las work list.

    El técnico administra su realización, y luego de realizar la imagen, la envía al PACS y es allí donde el algoritmo de la IA efectúa su análisis, devolviendo una probabilidad del hallazgo patológico encontrado; este hallazgo lo expresa mediante una alerta visual, que para consolidaciones pulmonares se decidió fuera el color rojo, y asimismo ella otorga un porcentaje de la probabilidad de certeza de que su hallazgo sea una consolidación.

    El técnico radiólogo ejecutor de la imagen la visualiza para su validación. Es así que ante un hallazgo de alerta de color preestablecido como consolidación, el técnico llama al grupo de médicos radiólogos destinados, que fueron los residentes del servicio de imágenes vía telefónica y al médico solicitante para generar la alerta.

    El médico radiólogo de planta ubicado en la sede central observa e informa la radiografía de tórax, validando o no los hallazgos de la IA.

    No todos los pacientes tienen síntomas sospechosos de COVID-19, ni todas las radiografías de tórax se generan en el área roja, algunas son generadas en el área verde, y estas pueden tener patología, aun en pacientes asintomáticos (poco frecuente) y el paciente retirarse sin despertar alerta, hasta su próxima visita a su médico.

    Claramente, los beneficiados con el uso de la IA fueron sobre todo los pacientes, ya que el RIS tiene prioridades para su ejecución, mediante el estado urgente; cuando el técnico radiólogo tiene un paciente con estado urgente, lo debe realizar a la brevedad pero, a su vez, muchos de estos estados urgentes pueden tener o no patología.

    Existe otra variable y es que pacientes que no tienen un estado urgente tengan una patología pulmonar ligada o no al COVID-19. En ese caso es la IA la que prioriza al paciente sacándolo de una lista de trabajo de lugares no prioritarios o urgentes a que sea urgente por la lectura de la IA. Sin la alerta del algoritmo de la IA ese paciente debería seguir su circuito, y sería asignado a la lista de un radiólogo para su informe, que no es de manera inmediata, y en algunos sitios como la guardia estas radiografías no llevan informe, es decir no serían vistas por un especialista.

    El segundo gran beneficiado fue el médico radiólogo. El recurso médico fue uno de los más afectados por esta pandemia, al igual que todo el personal de salud del Hospital Británico, ya que no solo se aislaba al infectado sino que, en los comienzos de la pandemia, el radio de aislamiento de las personas era mayor al igual que el tiempo de aislamiento, y esto llevó a escasez de personal.

    Pues bien, vimos que para poder recibir, informar y priorizar las imágenes de tórax que se estuvieron generando en los diferentes centros y áreas del hospital bastó un solo recurso médico ubicado en el central, ya que la IA fue quien realizó su análisis dándole una prioridad para que este radiólogo pueda darle prioridad en el informe y alertar al médico solicitante.

    A todos los pacientes sospechosos de COVID-19 se les realizó una radiografía de tórax para aplicar la IA en el Hospital.

    La pregunta que acá puede surgir es si todo paciente atendido con sospecha de COVID debe ser sometido a una radiografía de tórax para usar la IA. La respuesta es claramente no.

    La prestación de servicios de diagnóstico por imágenes a un gran número de pacientes que se sospecha que tienen o se ha confirmado COVID-19 durante un brote puede ser un desafío, ya que cada estudio se alarga y complica por la necesidad de un estricto cumplimiento de los protocolos de control de infecciones diseñados para minimizar el riesgo de transmisión y proteger al personal de salud.

    Las imágenes torácicas con radiografía de tórax y TC son herramientas claves para el diagnóstico y el tratamiento de la enfermedad pulmonar, pero su papel en el tratamiento de COVID-19 no se ha considerado dentro del contexto multivariable de la gravedad de la enfermedad respiratoria, la probabilidad previa a la prueba y los factores de riesgo de progresión de la enfermedad y limitaciones críticas de recursos. Para abordar este déficit, un panel multidisciplinario compuesto principalmente por radiólogos y neumólogos de 10 países con experiencia en el manejo de pacientes con COVID-19 en un espectro de entornos de atención médica evaluó la utilidad de las imágenes en tres escenarios que representan diversos factores de riesgo, condiciones de la comunidad y recursos2,3.

    El panel calificó catorce preguntas clave, correspondientes a 11 puntos de decisión dentro de los tres escenarios y tres situaciones clínicas adicionales, según el valor anticipado de la información que se espera que brinden las imágenes torácicas. Los resultados se agregaron, lo que resultó en cinco recomendaciones principales y tres adicionales destinadas a guiar a los médicos en el uso de la radiografía de tórax y la TC en el tratamiento de COVID-194.

    Escrita desde perspectivas multidisciplinarias y multinacionales, esta declaración de Fleischner está destinada a proporcionar un contexto para el uso de imágenes para dirigir el manejo del paciente durante la pandemia de COVID-19 en diferentes entornos de práctica, diferentes fases del brote epidémico y entornos de disponibilidad de recursos críticos variables.

    Estructurada en torno a tres escenarios y tres situaciones clave, esta declaración de Fleischner, se consideró como un consenso en lugar de considerarlo una guía, dada la base de evidencia limitada y la necesidad urgente de orientación sobre este tema para la comunidad médica. La declaración proporciona un contexto para el uso de imágenes y así dirigir el manejo de los pacientes durante la pandemia de COVID-19 en diferentes entornos de práctica, diferentes fases del brote y entornos de disponibilidad de recursos críticos variables4.

    La radiografía de tórax no es una imagen de rutina, ni está indicada como prueba de screening en pacientes asintomáticos.

  1. No está indicada en pacientes con signos leves de COVID-19 a menos que haya riesgo de progresión de la enfermedad.
  2. Sí está indicada frente a signos moderados o severos de COVID-19 independientemente del resultado de la prueba.
  3. Sí está indicada en pacientes COVID-19 con signos de peoría de su enfermedad.

    El algoritmo usado

    El hospital utiliza el RIS-PACS de FUJIFILM, y la empresa de la región que los representa es la empresa Griensu (Figura 13).

    El algoritmo que se utilizó para correr sobre el PACS es REiLI y fue cedido de manera gratuita al Hospital para usar y enfrentar la pandemia.

    El hospital de esta manera fue pionero en nuestro país en el uso de un producto de IA. Esta IA hasta marzo de 2020 analizó 3 millones de imágenes de radiografías de tórax en 80 países. Algunas publicaciones se han realizado con el uso de este algoritmo, como, por ejemplo, Development and validation of a Deep learning-based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs, publicado en marzo 20195 y Deep Learning of Chest Radiograph Diagnosis in The Emergency Department, publicado en octubre de 20196.

    Ambas publicaciones son previas a la fecha que se declaró la pandemia por COVID-19, es decir que estos algoritmos ya estaban entrenados y usados en salas de emergencias. Numerosas publicaciones posteriores han validado la forma de trabajo7-10.

    Conclusiones

    El camino de cuánto y cómo se usará la IA en medicina es un camino ya iniciado, que hay que acompañar, no podemos oponernos, pues no reemplazará al médico. Ella calificará el trabajo del médico, pero a su vez, seremos los médicos los que deberemos repensar nuevos caminos y nuevas oportunidades en la medicina.

    Es importante su rol en el flujograma de las prácticas médicas que se realizan en altas cantidades, como las radiografías de tórax, mamografías, que necesitan muchas horas hombre para informarlas; es aquí el mayor uso de la IA en este 2021.

    Nuestra experiencia con la IA en el servicio fue muy importante en este flujograma de trabajo iniciado en imágenes para afrontar al COVID-19.

    La IA priorizó los pacientes –aquellos que no se encontraban en estado urgente ante la alerta de la IA se recategorizaban–, cambiándolos en la lista de trabajo, subiéndolos de posiciones en la lista para que el radiólogo los priorice.

    Priorizó el recurso médico, escaso en plena pandemia durante el año 2020.

    No tenemos duda de que estos algoritmos se están perfeccionando, porque es algo en lo que se está trabajando; hay muchos algoritmos entrenados que aún no salieron a la luz, pero pronto lo harán.

    ¿Debemos oponernos? Nuestra opinión es que no debemos resistirnos, tenemos que repensar nuevas tareas, con nuevos campos de acción a conocer calificando así nuestro trabajo.

    Agradecimientos:

    • Agradecemos a las empresas Griensu y Fujifilm por otorgarnos por un año la plataforma de IA sin costo alguno para poder usarla en la pandemia del COVID-19. El Hospital las ha adquirido en su plataforma de RIS-PACS. Gracias a Guillermo Gómez, Lucas Dorelle, César Moreno, Rosendo Casale, y al equipo de trabajo de Medical IT.
    • A la dirección de Procesos y Tecnología y al Departamento de Infraestructura del Hospital Británico por acompañarnos en este desafío. Gracias Claudia Tejedor, Lucas Banegas y a todo el equipo de Sistemas.
    • A las Direcciones del Hospital Británico por permitir que esto sea posible.
    • A todos los técnicos del Servicio por su gran colaboración en facilitarnos este flujograma propuesto y creado.
    • A los Residentes de Diagnóstico por Imágenes por estar en la primera línea de trabajo y colaborar con esta propuesta.
    • A todos los médicos de imágenes que estuvieron informando las radiografías y tomografías que por una cuestión de espacios no pueden estar como autores.
    • Un gran agradecimiento a mi querido Hospital Británico, nuestra casa.

  1. Murphy K, Smits H, Knoops AJG, et al. COVID-19 on Chest Radiographs: A Multireader Evaluation of an Artificial Intelligence System. Radiology 2020;296(3):E166-E172.

  2. https://innovation.teleradweb.com.ar/blog/que-es-un-ris-y-cual-es-su-impacto-en-mi-servicio. (Consultado el 12/04/2020).

  3. Sánchez F. Teleread. https://innovation.teleradweb.com.ar/blog/que-es-un-ris-y-cual-es-su-impacto-en-mi-servicio (consultado el 20/04/2020).

  4. Kanne JP, Little BP, Chung JH, Elicker BM, Ketai LH. Essentials for Radiologists on COVID-19: An Update-Radiology Scientific Expert Panel. Radiology 2020;296(1):E113-E114.

  5. Hwang EJ, Park S, Jin KN, et al. DLAD Development and Evaluation Group. Development and Validation of a Deep Learning-Based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs. JAMA Netw Open 2019;2(3):e191095.

  6. Hwang EJ, Nam JG, Lim WH, et al. Deep Learning for Chest Radiograph Diagnosis in the Emergency Department. Radiology 2019;293(3):573-80.

  7. Rajpurkar P, Irvin J, Ball RL, Zhu K, et al. Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Med 2018;15(11):e1002686.

  8. Hwang EJ, Kim KB, Kim JY, et al. COVID-19 pneumonia on chest X-rays: Performance of a deep learning-based computer-aided detection system. PLoS One 2021;16(6):e0252440.

  9. Kwon T, Lee SP, Kim D, et al. Diagnostic performance of artificial intelligence model for pneumonia from chest radiography. PLoS One 2021;16(4):e0249399.

  10. Aggarwal R, Sounderajah V, Martin G, et al. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digit Med 2021;4(1):65.

Autores

Adriana García
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..
Bettiana J Torterolo Lozano
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..
Maira Samudio
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..
Paula Zamorano
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..
Martín Gómez Lastra
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..
Alfonso Jauregui
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..
Adrián Candido
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..

Autor correspondencia

Adriana García
Servicio de Diagnóstico por Imágenes del Hospital Británico de Buenos Aires..

Correo electrónico: agarcia@hbritanico.com.ar

Para descargar el PDF del artículo
La inteligencia artificial en el flujo de trabajo durante la pandemia COVID-19. Experiencia del Hospital Británico durante el 2020

Haga click aquí


Para descargar el PDF de la revista completa
Revista Fronteras en Medicina, Volumen Año 2021 Num 02

Haga click aquí

Auspicios

Revista Fronteras en Medicina
Número 02 | Volumen 16 | Año 2021

Titulo
La inteligencia artificial en el flujo de trabajo durante la pandemia COVID-19. Experiencia del Hospital Británico durante el 2020

Autores
Adriana García, Bettiana J Torterolo Lozano, Maira Samudio, Paula Zamorano, Martín Gómez Lastra, Alfonso Jauregui, Adrián Candido

Publicación
Revista Fronteras en Medicina

Editor
Hospital Británico de Buenos Aires

Fecha de publicación
2021-06-30

Registro de propiedad intelectual
© Hospital Británico de Buenos Aires

Reciba la revista gratis en su correo


Suscribase gratis a nuestra revista y recibala en su correo antes de su publicacion impresa.

Auspicios


Hospital Británico de Buenos Aires
Perdriel 74 (1280AEB) Ciudad Autónoma de Buenos Aires | Argentina |Argentina | tel./fax (5411) 4309 - 6400 | www.hospitalbritanico.org.ar

Hospital Británico de Buenos Aires | ISSN 2618-2459 | ISSN digital 2618-2521

La plataforma Meducatium es un proyecto editorial de Publicaciones Latinoamericanas S.R.L.
Piedras 1333 2° C (C1240ABC) Ciudad Autónoma de Buenos Aires | Argentina | tel./fax (5411) 4362-1600 | e-mail info@publat.com.ar | www.publat.com.ar

Meducatium versión 2.2.1.3 ST